近几年一种名为近红外漫射光相关断层成像技术（near-infrared diffuse light correlation tomography,DCT）的新型的临床影像诊疗技术快速发展起来,该技术原理是通过光场时间自相关函数进行微血管血流成像。本文开发了DCT技术并应用于乳腺肿瘤检测中,设计适用于乳腺检查的硬件设备,通过统计性方法和支持向量机（Support Vector Machine,SVM）分类方法,分析不同人群（患病和健康）血流值特征,多方面评估DCT技术的临床有效性。本文主要工作如下:在硬件设备方面,本文设计了阵列式光开关来分时共享光源和探测器、优化了光源-探测器光纤在被测组织表面位置的分布、制作了适用于乳腺组织的碗状专用探头,在降低成本的同时可以实现大视野的血流成像。在提取血流值方面,本文通过本课题组提出的N阶线性算法来提取,该算法能够充分利用自相关数据并且不受组织体积和几何形状影响。此外,N阶线性算法本质上是通过迭代线性回归实现的,这也决定了算法的实时性和鲁棒性。在统计性分析方面,本文基于DCT技术提取的乳腺肿瘤临床数据,分析得到良恶性患侧之间、良恶性对侧之间、恶性患侧与对侧之间、良性患侧与对侧之间这四组的血流值特征,多层次、多方面的交叉对比血流特征,从而评估DCT技术测量肿瘤血流的准确性。本研究开发的DCT成像系统和算法可以探测到乳腺肿瘤以及钙化引起的血流的变化,具体表现在含有肿瘤乳腺的血流值高于对侧,钙化组织的血流低于对侧。当左右侧乳腺血流严重不对称时,提示乳腺患病概率增加。此外,生物组织中的囊肿、肿瘤或者钙化,都可以通过DCT技术进行定位。临床试验也证实了DCT技术有潜力应用于临床乳腺癌筛查。目前未有关于针对不同人群数据的分析（健康人与病人）的DCT血流分析报道,本文填补了这一空白。本文SVM训练55例受试者的乳腺血流数据,得到的训练模型的准确率达到90%以上,测试集分类准确率达到80%以上,为结合机器学习方法和DCT技术提供了案例。